論文の概要: Continual-MEGA: A Large-scale Benchmark for Generalizable Continual Anomaly Detection

• arxiv url: http://arxiv.org/abs/2506.00956v1
• Date: Sun, 01 Jun 2025 11:00:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.808483
• Title: Continual-MEGA: A Large-scale Benchmark for Generalizable Continual Anomaly Detection
• Title（参考訳）: Continual-MEGA: 一般化可能な連続異常検出のための大規模ベンチマーク
• Authors: Geonu Lee, Yujeong Oh, Geonhui Jang, Soyoung Lee, Jeonghyo Song, Sungmin Cha, YoungJoon Yoo,
• Abstract要約: 実世界の展開シナリオをよりよく反映することを目的とした,異常検出における連続学習のための新しいベンチマークを導入する。 私たちのベンチマークであるContinual-MEGAには、既存の評価設定を大幅に拡張する、大規模で多様なデータセットが含まれています。 本稿では、ゼロショットの一般化を、連続的適応中に観測されない未確認のクラスに測定する新しいシナリオを提案する。
• 参考スコア（独自算出の注目度）: 11.416875086993139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce a new benchmark for continual learning in anomaly detection, aimed at better reflecting real-world deployment scenarios. Our benchmark, Continual-MEGA, includes a large and diverse dataset that significantly expands existing evaluation settings by combining carefully curated existing datasets with our newly proposed dataset, ContinualAD. In addition to standard continual learning with expanded quantity, we propose a novel scenario that measures zero-shot generalization to unseen classes, those not observed during continual adaptation. This setting poses a new problem setting that continual adaptation also enhances zero-shot performance. We also present a unified baseline algorithm that improves robustness in few-shot detection and maintains strong generalization. Through extensive evaluations, we report three key findings: (1) existing methods show substantial room for improvement, particularly in pixel-level defect localization; (2) our proposed method consistently outperforms prior approaches; and (3) the newly introduced ContinualAD dataset enhances the performance of strong anomaly detection models. We release the benchmark and code in https://github.com/Continual-Mega/Continual-Mega.
• Abstract（参考訳）: 本稿では,現実の展開シナリオをよりよく反映することを目的とした,異常検出における連続学習のための新しいベンチマークを提案する。 当社のベンチマークであるContinual-MEGAには、新たに提案したデータセットであるContinualADと慎重にキュレートされた既存のデータセットを組み合わせることで、既存の評価設定を大幅に拡張する、大規模で多様なデータセットが含まれています。 拡張量を持つ標準連続学習に加えて,ゼロショット一般化を目に見えないクラス,連続適応中に観測されないクラスに測定する新たなシナリオを提案する。 この設定は、連続的な適応がゼロショット性能を向上させるという新しい問題設定をもたらす。 また,数ショット検出におけるロバスト性を向上し,強力な一般化を維持できる統一ベースラインアルゴリズムを提案する。 本稿では,(1)既存手法は,特に画素レベルの欠陥局所化において,大幅な改善の余地を示し,(2)提案手法は従来手法より一貫して優れており,(3)新たに導入されたContinualADデータセットは,強い異常検出モデルの性能を向上させる。 ベンチマークとコードはhttps://github.com/Continual-Mega/Continual-Megaで公開しています。

関連論文リスト

• Rethinking Metrics and Benchmarks of Video Anomaly Detection [12.500876355560184]
  ビデオ異常検出(VAD)は、期待から外れた異常を検出することを目的としている。 本稿では, 総合的な実験分析を通じて, VAD評価プロトコルを再考する。 これらの制約に対処するための3つの新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2025-05-25T08:09:42Z)
• Exploring Generalized Gait Recognition: Reducing Redundancy and Noise within Indoor and Outdoor Datasets [24.242460774158463]
  一般化歩行認識は、多様な領域にわたる堅牢なパフォーマンスを実現することを目的としている。 混合データセットトレーニングは一般化を高めるために広く利用されている。 クロスドメイン歩行認識を体系的に改善する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T06:46:09Z)
• Unified Domain Generalization and Adaptation for Multi-View 3D Object Detection [14.837853049121687]
  マルチビューカメラを利用した3次元物体検出は, 視覚課題における実用的, 経済的価値を実証した。 典型的な教師付き学習アプローチは、目に見えない、ラベルなしのターゲットデータセットに対する満足な適応を達成する上で、課題に直面します。 本稿では、これらの欠点を軽減するための実践的なソリューションとして、統一ドメイン一般化・適応(UDGA)を提案する。
  論文  参考訳（メタデータ） (2024-10-29T18:51:49Z)
• Enhancement of Approximation Spaces by the Use of Primals and Neighborhood [0.0]
  近隣と原始」からのインスピレーションを引き出す4つの新しい一般化された粗集合モデルを導入する。 我々は、現在のモデルは、粗い集合モデルに関連するほとんどすべての重要な側面を保存できると主張している。 また、我々の日常的な健康に関する問題に対して定義する新たな戦略が、より正確な発見をもたらすことも示している。
  論文  参考訳（メタデータ） (2024-10-23T18:49:13Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)
• Open-Set Recognition: A Good Closed-Set Classifier is All You Need [146.6814176602689]
  分類器が「ゼロ・オブ・ア・ア・ア・ベ」決定を行う能力は、閉集合クラスにおける精度と高い相関関係があることが示される。 この相関を利用して、閉セット精度を向上させることにより、クロスエントロピーOSR'ベースライン'の性能を向上させる。 また、セマンティックノベルティを検出するタスクをより尊重する新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-10-12T17:58:59Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)
• Squared $\ell_2$ Norm as Consistency Loss for Leveraging Augmented Data to Learn Robust and Invariant Representations [76.85274970052762]
  元のサンプルと拡張されたサンプルの埋め込み/表現の距離を規則化することは、ニューラルネットワークの堅牢性を改善するための一般的なテクニックである。 本稿では、これらの様々な正規化選択について検討し、埋め込みの正規化方法の理解を深める。 私たちが特定したジェネリックアプローチ(squared $ell$ regularized augmentation)は、それぞれ1つのタスクのために特別に設計されたいくつかの手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-25T22:40:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。